Os radiologistas poderão em breve usar IA para detectar tumores cerebrais

Um artigo intitulado “Aprendizagem profunda e aprendizagem por transferência para detecção e classificação de tumores cerebrais” publicado em Métodos e Protocolos de Biologia mostra que os cientistas podem treinar modelos de inteligência artificial (IA) para distinguir tumores cerebrais de tecidos saudáveis. Os modelos de IA já podem encontrar tumores cerebrais em imagens de ressonância magnética quase tão bem quanto um radiologista humano.

Os pesquisadores fizeram progressos sustentados na IA para uso na medicina. A IA é particularmente promissora em radiologia, onde esperar que os técnicos processem imagens médicas pode atrasar o tratamento do paciente. As redes neurais convolucionais são ferramentas poderosas que permitem aos pesquisadores treinar modelos de IA em grandes conjuntos de dados de imagens para reconhecer e classificar imagens.

Desta forma, as redes podem “aprender” a distinguir entre imagens. As redes também têm a capacidade de “transferir aprendizagem”. Os cientistas podem reutilizar um modelo treinado em uma tarefa para um novo projeto relacionado.

Embora a detecção de animais camuflados e a classificação de tumores cerebrais envolvam tipos de imagens muito diferentes, os investigadores envolvidos neste estudo acreditavam que havia um paralelo entre um animal escondido através de uma camuflagem natural e um grupo de células cancerígenas que se misturavam com o tecido saudável circundante.

O processo aprendido de generalização – o agrupamento de coisas diferentes sob a mesma identidade de objeto – é essencial para a compreensão de como uma rede pode detectar objetos camuflados. Esse treinamento poderia ser particularmente útil para detectar tumores.

Neste estudo retrospectivo de dados de ressonância magnética de domínio público, os pesquisadores investigaram como os modelos de redes neurais podem ser treinados em dados de imagens de câncer cerebral, ao mesmo tempo em que introduzem uma etapa exclusiva de aprendizagem de transferência de detecção de animais de camuflagem para melhorar as habilidades de detecção de tumores das redes.

Usando ressonâncias magnéticas de repositórios online públicos de cérebros de controle saudáveis ​​e cancerosos (de fontes como Kaggle, o Cancer Imaging Archive do NIH National Cancer Institute e o VA Boston Healthcare System), os pesquisadores treinaram as redes para distinguir ressonâncias magnéticas saudáveis ​​versus cancerosas, a área afetado pelo câncer e o protótipo da aparência do câncer (que tipo de câncer ele se parece).

Os pesquisadores descobriram que as redes eram quase perfeitas na detecção de imagens cerebrais normais, com apenas um ou dois falsos negativos, e na distinção entre cérebros cancerosos e saudáveis. A primeira rede teve uma precisão média de 85,99% na detecção de câncer cerebral, a outra teve uma taxa de precisão de 83,85%.

Uma característica fundamental da rede é a multiplicidade de formas como as suas decisões podem ser explicadas, permitindo uma maior confiança nos modelos, tanto por parte dos profissionais médicos como dos pacientes. Os modelos profundos muitas vezes carecem de transparência e, à medida que o campo cresce, a capacidade de explicar como as redes executam as suas decisões torna-se importante.

Após essa pesquisa, a rede pode gerar imagens que mostram áreas específicas em sua classificação tumoral positiva ou negativa. Isto permitiria aos radiologistas validarem cruzadamente as suas próprias decisões com as da rede e aumentaria a confiança, quase como um segundo radiologista robótico que pode mostrar a área reveladora de uma ressonância magnética que indica um tumor.

No futuro, os investigadores acreditam que será importante concentrar-se na criação de modelos de redes profundas cujas decisões possam ser descritas de forma intuitiva, para que a inteligência artificial possa ocupar um papel de apoio transparente em ambientes clínicos.

Embora as redes se esforçassem mais para distinguir entre os tipos de cancro cerebral em todos os casos, ainda estava claro que tinham uma representação interna distinta na rede. A precisão e a clareza melhoraram à medida que os pesquisadores treinaram as redes na detecção de camuflagem. A aprendizagem por transferência levou a um aumento na precisão das redes.

Embora o modelo proposto com melhor desempenho tenha sido cerca de 6% menos preciso do que a detecção humana padrão, a pesquisa demonstra com sucesso a melhoria quantitativa trazida por este paradigma de treinamento. Os pesquisadores aqui acreditam que este paradigma, combinado com a aplicação abrangente de métodos de explicabilidade, promove a transparência necessária em futuras pesquisas clínicas em IA.

“Os avanços na IA permitem uma detecção e reconhecimento de padrões mais precisos”, disse o principal autor do artigo, Arash Yazdanbakhsh.

“Conseqüentemente, isso permite um melhor auxílio ao diagnóstico e triagem com base em imagens, mas também requer mais explicações sobre como a IA realiza a tarefa. Visar a explicabilidade da IA ​​melhora a comunicação entre humanos e a IA em geral. Isto é particularmente importante entre profissionais médicos e a IA projetada para fins médicos.

“Modelos claros e explicáveis ​​estão melhor posicionados para auxiliar no diagnóstico, acompanhar a progressão da doença e monitorar o tratamento”.